《...怎样挑选适合二次学生的甘雨裤子【腾讯视频】》剧情简介：27日大连站候车厅中的游客（央广网记者 于芳菲 摄）...怎样挑选适合二次学生的甘雨裤子【腾讯视频】现在狼群也积累得差未几满怀野望的黑楼兰着实早已经迫缺乏待四川乡巴佬农牧集团涉嫌不法吸收公众存款被立案侦查 警朴直在挂号集资加入人
《...怎样挑选适合二次学生的甘雨裤子【腾讯视频】》视频说明：宴彬只觉遇到招凝通常都备受憋屈从预告来看3日湖北北部低温在8-12℃冬装得备好尤其是部分地区低温在个位数早晚出门的朋侪得穿薄袄为什么你的语音助手语言不像人关于TTS手艺原理及挑战2019-08-07 18:43·雷峰网每一位刚（wan）铁（nian）直（dan）男（shen）都梦想下班路上偶遇影戏《Her》中的机械人女友萨曼萨虽然只闻其声不见其人但仅听声音就能感受到种种情绪的诠释萨曼萨背后的真人配音来自斯嘉丽约翰逊有人说光听声音就已知足我对她所有的理想可以说消除人与机械之间的隔膜拉近之间的距离声音是至关主要的而在现实生涯中AI 语音助手语言还远远达不到我们理想的声音为什么你的机械人女友语言不像斯嘉丽约翰逊今天Rokid A-Lab 语音合成算法工程师郑杰文将从语音合成手艺谈起给各人剖析其中缘故原由以下EnjoyTTS背后的手艺原理——前端和后端系统让语音助手语言的手艺叫 TTS（text-to-speech）也就是语音合成打造自然、真实、悦耳的 TTS是 AI 领域的科学家和工程师一直起劲的偏向但前进历程中总会遇到种种拦路虎它们事实是什么 我们先从 TTS 的基础原理讲起TTS 手艺实质上解决的是从文本转化为语音的问题通过这种方法让机械启齿语言图 1语音合成一个从文本转化为语音的问题但这个历程并禁止易为了降低机械明确的难度科学家们将这个转化历程拆分成了两个部分——前端系统和后端系统图 2前端和后端一起组成的TTS前端认真把输入的文本转化为一其中心效果然后把这其中心效果送给后端由后端天生声音接下来我们先来相识一下前端和后端系统是怎样分工协作的天生语言学规格书的前端系统小时间我们在认字之前需要先学习拼音有了拼音我们就可以用它去拼读我们不熟悉的字关于 TTS 来说前端系统从文本转化出的中心效果就似乎是拼音不过光有拼音还不可由于我们要朗读的不是一个字而是一句一句的话若是一小我私家语言的时间不可准确的使用抑扬抑扬的语调来控制自己语言的节奏就会让人听着不惬意甚至误解语言人想要转达的意思以是前端还需要加上这种抑扬抑扬的信息来告诉后端怎么准确的语言我们将这种抑扬抑扬的信息称之为韵律（Prosody）韵律是一个很是综合的信息为了简化问题韵律又被剖析成了如停留重读等信息停留就是告诉后端在句子的朗读中应该怎么停重读就是在朗读的时间应该着重强调那一部分这些所有的信息综合到一起我们可以叫语言学规格书图 3.前端通过天生语言书规格书来告诉后端我们想要合成什么样的内容前端就像一个语言学家把给它的纯文本做种种各样的剖析然后给后端开出一份规格书告诉后端应该合成什么样的声音在现实的系统中为了让机械能准确的语言这份儿规格书远远比我们这里形貌的要重大饰演发音人的后端系统当后端系统拿到语言学规格书后目的是天生只管切合这个规格书里形貌的声音虽然机械是不可凭空直接天生一个声音的在这之前我们还需要在录音棚里录上几个到几十个小时不等的音频数据（凭证手艺差别使用的数据量会差别）然后用这些数据来做后端系统现在主流的后端系统有两种要领：一种是基于波形拼接的要领一种是基于参数天生的要领波形拼接的要领思绪很简朴：那就是把事先录制好的音频存储在电脑上当我们要合成声音的时间我们就可以凭证前端开出的规格书来从这些音频里去寻找那些最适合规格书的音频片断然后把片断一个一个的拼接起来最后就形成了最终的合针言音好比：我们想要合成你真悦目这句话我们就会从数据库里去寻找你、真、好、看这四个字的音频片断然后把这四个片断拼接起来图表 4使用拼接法合成你真悦目虽然现实的拼接并没有这么简朴首先要选择拼接单位的粒度选好粒度还需要设计拼接价钱函数等参数天生法和波形拼接法的原理很不相同使用参数天生法的系统直接使用数学的要领先从音频里总结出音频最显着的特征然后使用学习算法来学习一个怎样把前端语言学规格书映射到这些音频特征的转换器一但我们有了这个从语言学规格书到音频特征的转换器在同样合成你真悦目这四个字的时间我们先使用这个转换器转换出音频特征然后用另一个组件把这些音频特征还原成我们可以听到的声音在专业领域里这个转换器叫声学模子把声音特征转化为声音的组件叫声码器为什么你的AI语音助手语言不像人若是简朴的给这个问题一个谜底的话主要有两个方面的缘故原由：你的AI会出错为了合成作声音AI需要做一连串的决议一但这些决议蜕化就会导致最终合成出来的声音有问题有强烈的机械感听着不自然TTS的前端系统和后端系统都有出错的可能使用AI合成声音时工程师对这个问题太过简化导致没有准确的描绘声音天生的历程这种简化一方面是来自于我们人类自己对语言和人类语音天生的熟悉还缺乏够；另外一方面也来自于商用语音合成系统在运转的时间要对本钱控制举行考量下面我们详细来聊聊造成AI语音助手语言不自然的前端过失和后端过失问题前端过失前端系统做为一个语言学家是整个TTS系统里最重大的部分为了从纯文本天生出最后的语言学规格书这个语言学家做的事情要比我们想像的多得多图表 5典范的前端处置惩罚流程一个典范的前端处置惩罚流程是：文本结构剖析我们给系统输入一个文本系统要先判断这个文本是什么语言只有知道是什么语言才知道接下来如那里置然后把文本划分成一个一个的句子这些句子再送给后面的�？榇χ贸头�文本正则在中文场景下文本正则的目的是把那些不是汉字的标点或者数字转化为汉字好比这个操作666啊系统需要把666转化为六六六文本转音素也就是把文本转化为拼音由于中文中多音字的保存以是我们不可直接通过像查新华字典一样的要领去找一个字的读音必需通过其他辅助信息和一些算法来准确的决议究竟要怎么读这些辅助信息就包括了分词和每个词的词性韵律展望用于决议读一句话时的节奏也就是抑扬抑扬可是一样平常的简化的系统都只是展望句子中的停留信息也就是一个字读完后是否需要停留停留多久的决议从上面四个办法可以看出任何办法都是有可能蜕化的一但蜕化天生的语言学规格书就会错导致后端合成的声音也会错一个TTS系统典范的前端过失有以下几种类型：1、文本正则过失由于我们的誊写形式和朗读形式是纷歧样的以是在前端很是早期的阶段需要把誊写形式转化为我们现实朗读的形式这个历程在专业领域里叫文本正则好比我们前面说到的666要转为六六六我们很是容易感受到TTS系统中文本正则的过失好比下面这句：我花了666块住进了一个房号是666的房间我们知道前面的666应该读成六百六十六后面的666应该要读六六六可是TTS系统却很容易搞错另外一个例子：我以为有2-4成的掌握这场比分是2-4这两个2-4究竟应该是读二到四两到四照旧二比四呢你应该一眼就能知道究竟怎么样读才是准确的可是关于前端系统来说这又是一个难题2、注音过失中文是一门广博精湛的语言准确的朗读它可并没有好么容易其中一个较量棘手的问题就是面临多音字时究竟应该选择哪一个音来朗读呢好比这两句：我的头发又长长了和我的头发长长的这里的长究竟应该是读二声的chang照旧读四声的zhang呢?虽然人可以很轻松的挑选出准确的谜底那么下面这一句呢：人要是行干一行行一行行行都行要是不可干一行不可一行行行不可可能你也要略加思索才华读对这中心的所有行关于AI来说就更难了你可能时时时的就能听到AI助手在朗读多音字时读错了这种过失很容易就被你的耳朵捕获到并让你连忙有一个印象：这绝对不是真人在语言~虽然多音字过失只是注音过失中的一种尚有其他的一些过失如轻声儿化音音调变调等总之准确的让你的AI助手朗读所有的内容并禁止易3、韵律过失如前面所说为了更准确的转达信息人在说一句话的时间需要有节奏感若是一小我私家在语言的时间中心不做任何的停留会让我们很难明确他说的意思甚至我们会以为这小我私家不礼貌我们的科学家工程师都在想方想法的让TTS朗读得更具备节奏感一些更礼貌一些可是在许多时间TTS的体现却总是差强人意这是由于语言的转变太富厚了凭证差别的上下文甚至差别的场合我们的朗读的韵律节奏都不太一样韵律中最主要的就是讨论一句话的停留节奏由于停留是一句话朗读准确的基础若是停留差池过失很容易被人耳朵捉住好比这句：为你切换单曲循环模式若是我们用|来体现停留那么一个正常的人朗读的停留节奏一样平常是这样的：为你切换|单曲循环模式可是若是一但你的AI助手说为你切|换单曲循环模式这种希奇的节奏感时你心田可能是奔溃的后端过失聊完前面这个经常出错的语言学家我们再来看看后端：这个凭证语言学家给的 规格书来读稿子的发音人前面提到后端主要有拼接法和参数法两种方法现在苹果亚马逊的AI助手Siri和Alexa 使用的是波形拼接的要领而在海内大大都公司都是使用参数法以是我们要害来看一下参数法可能的后端过失后端系统在拿到前端给的语言信息后要做的第一件事情是决议每个汉字究竟要发音多长时间（甚至是每个声母韵母要发音多长时间）这个决议发音是非的组件在专业领域里叫时长模子有了这个时间信息后后端系统就可以通过我们前面说的一个转换器（也啼声学模子）把这个语言学规格书转化为音频特征了然后再用另一个叫声码器的组件把这些音频特征还原成声音从时长模子到声学模子再到声码器这内里的每一步都可能出错或者不可完善的天生我们想要的效果一个 TTS 系统里典范的后端过失有以下几种类型：1、时长模子过失在一句话朗读的时间凭证上下文语境的差别每个字朗读发音时间是纷歧样的TTS系统必需凭证上下文去决议究竟哪些字应该读音拖长一点哪些字应该读短一些其中一个较量典范的例子就是语气词的朗读通常这些语气词由于携带了语言人的语气情绪它们的发音都会比通俗的字要长一些好比这句：嗯我想他是对的这里的嗯在这个场景下很显着需要被拖长用于体现一种思索之后的判断可是并不是所有的嗯都要拖这么长好比这一句：嗯你适才说什么这里的嗯代表是一种疑问的语气发音就要比上面句子中的嗯要短得多若是时长模子不可准确的决议出发音时长的话就会给人一种不自然感受2、声学模子过失最主要的声学模子过失就是遇到在训练后端这个发音人时没有见过的发音声学模子的作用是从训练音库里学习到种种语言学规格书所对应的语音声学特征若是在合成的时间遇到了训练历程中没有见过的语言学体现那么机械就不太容易输出准确的声学特征一个常见的例子是儿化音原则上来说每个汉语拼音都有对应的儿化音但在现实语言中有些儿化音被使用到的频次极低因此录制音库的时间通常并不会笼罩所有的儿化音而是仅仅保存最常见的一些这个时间就会泛起一些儿化音发不出来或者发欠好的征象3、声码器过失声码器的种类较量多可是较量古板、较量常见的声码器通常都会用到基频信息那什么是基频呢基频就是你在语言的时间声带震惊的快慢水平这里教你一个简朴的要领来感受自己语言的基频：把自己的除大拇指以外的其他四个手指按压到自己的喉咙部分然后自己最先对自己随便语言这个时间你就会感受到你的喉咙在震惊这个震惊的信息就是我们的基頻信息发浊音时会陪同声带振动声带不振动发出的音称为清音子音有清有浊而元音一样平常均为浊音以是合针言音中元音和浊子音的位置都应该对应有基频若是我们前面提到的声学模子输出的基频泛起误差声码器合成的声音就会听起来很希奇在训练后端这个发音人时我们也要通过算法来盘算出基频信息欠好的基频提取算法可能会造成基频丧失、倍频或者半频的征象这些都会直接影响基频展望模子的效果若是应该有基频的地方没有展望出基频合成声音听起来就是嘶哑的对听感的影响十明确显一个好的声码器还要处置惩罚好基频协调波的关系若是高频谐波过于显着在听感上会造成嗡嗡的声响机械感显着总结在这篇文章里我们先容了 TTS 的基础原理以及剖析了语音助手不可像真人一样语言的缘故原由：TTS 在做种种决议中会出错导致朗读蜕化或者不自然同时为了让电脑可以合成声音工程师会对文本转语音问题做简化导致没有准确的描绘声音天生的历程这种简化一方面来自于对语音语言天生历程的认知局限同时也受限制于现在的盘算工具只管现在在这个领域内有许多新的要领特殊是使用深度学习（Deep Learning）要领来直接做文本到语音的转化并且已经展示出来了很是自然的声音可是让你的 AI 助手完全像人一样语言仍然是一项很是具有挑战性的事情雷锋网按：本文作者郑杰文爱丁堡大学人工智能硕士师从国际著名语音合成专家Simon King教授 现任职Rokid ALab 语音合成算法工程师认真语音合成引擎架构设计后端声学模子开发等事情
2025-10-10 20:44:33
选集播放排序
相关推荐TUIJIAN
正在热映
